Митник О. Ю. Інформаційні технології синтезу робастних нейронечітких моделей стохастичних процесів

Робота присвячена розробці нових нейронечітких інформаційних технологій синтезу нечітких баз знань пониженої складності для прогнозування стохастичних процесів. Введені збалансовані нейронечіткі моделі у формі Бернштейна, які генерують систему спрощених нечітких правил квадратичної складності. Досліджені методи навчання моделей стохастичних процесів як некоректної оберненої задачі відновлення стохастичних залежностей за даними спостережень. Розроблено індуктивний метод побудови збалансованих робастних нейронечітких моделей у формі Бернштейна на основі байєсівської регресії опорних векторів в характеристичному просторі поліноміальних функцій Без'є-Бернштейна (ПРІАМ). Розроблена архітектура та створено прототип інформаційної онлайн системи обробки статистичних даних, яка реалізує запропонований метод. Проведено порівняльний аналіз ПРІАМ з нечітким методом групового врахування аргументів та рекурентними нейронними мережами на реальних та штучних еталонних моделях, на економічних, метеорологічних, екологічних моделях. Результати експериментів доводять ефективність розробленого методу.